针对脑机接口(BCI)系统中存在的信息传输速率较慢和脑电信号识别正确率较低的问题，对多通道四类运动想象脑电信号进行研究．通过对4种运动想象及休息状态脑电信号进行功率谱分析，合理确定预处理滤波器的最佳滤波频段，然后使用PW-CSP，Hilbert变换及归一化处理的方法，对四类运动想象脑电信号进行特征提取，分类算法分为特征信号算术求和与阈值比较的预分类过程及包含单个支持向量机(SVM)的细分类过程，算法复杂度明显比采用多个SVM组合的多类分类算法要低，为实现算法的在线应用打下基础．仿真结果表明，该算法分类正确

SLGS模型不能处理灰度不均图像，而RSF模型对初始轮廓较敏感。为此，将RSF模型定义的局部信息融入SLGS模型中，提出一个以偏微分方程形式表达的活动轮廓模型。利用SLGS模型全局拟合量和RSF模型局部拟合量的线性组合构造符号压力函数，调整拟合量的权重以提升模型对灰度不均图像的处理能力和轮廓初始化的灵活性，并利用高斯滤波正则水平集函数法实现水平集函数的正则化。实验结果表明，该模型的分割结果比SLGS模型更准确。

对FOIL算法进行了深入剖析，提出了一种基于该算法利用Visual Prolog实现一阶规则集学习器的设计方法，给出了实现学习器的关键代码和试验结果，验证了该方法在一阶规则集提取中的有效性。

为了更好地提高并行差分进化算法的求解精度和计算效率，实现适用于解决多种优化问题的鲁棒性算法，提出了一种多种群多策略的并行差分进化算法。该算法将种群划分为多个子种群，不同的子种群分别采用不同的差分进化策略。多个子种群各自独立进化，互不干扰，每隔一定代数才进行种群间的通信交流。通过利用多种群实现多种优化策略，并采用并行方式，使得算法可以采用不同的优化策略进行搜索，更加节省计算时间。数值实验结果表明，该算法在求解不同类型的优化问题时都具有良好的计算能力和效率。

针对接收到的多个未知任何先验参数的跳频信号，提出一种先分离各个信号再对其分别进行时频分析来估计跳频参数的方法。首先采用特征矩阵联合近似最优化（JADE）算法分离跳频信号，再利用多窗口重叠的平滑伪wigner-Ville分布（SPWVD）来估计出跳频信号的跳周期（hop duration）、定时偏差（time offset）和跳频频率（跳频图案）等参数。通过将多个时频分析的窗口重叠来克服时频分析中交叉项的影响。仿真结果表明，该估计算法显著提高了估计的准确度和可靠性。

针对传统粒子滤波算法中粒子匮乏以及粒子多样性丧失的问题, 提出了一种基于蚁群优化的改进粒子滤波算法。该算法利用蚁群算法优化粒子滤波的重采样过程, 使粒子在更新权值后, 利用转移概率向权值较优粒子的位置移动, 以防止权值较小的粒子在多次迭代后退化消失; 同时, 设置转移阈值, 以抑制权值较优粒子间的转移, 从而同时解决了粒子匮乏以及粒子多样性丧失的问题。实验结果表明, 该算法具有较高的预估精度和较好的鲁棒性。

针对现有检测方法的不足，提出了一种通过挖掘PE文件结构信息来检测恶意软件的方法，并用最新的PE格式恶意软件进行了实验。结果显示，该方法以99.1%的准确率检测已知和未知的恶意软件，评价的重要指标AUC值是0.998，已非常接近最优值1，高于现有的静态检测方法。同时，与其他方法相比，该检测方法的处理时间和系统开销也是较少的，对采用加壳和混淆技术的恶意软件也保持稳定有效，已达到了实时部署使用要求。此外，现有的基于数据挖掘的检测方法在特征选择时存在过度拟合数据的情况，而该方法在这方面具有较强的鲁棒性。

针对当前心电图(ECG)身份识别中存在的小样本、多特征点检测问题，提出基于小波变换和动态时间规整(DTW)相结合的方法。利用小波变换对ECG 信号进行预处理并提取R 波峰值点，提取并保存肢导联QRS 波及心拍模板，根据QRS 波测试数据与各QRS 波模板间的相关性分析以及阈值条件缩小身份识别范围，采用DTW 算法确定心拍测试数据与各心拍模板之间的最优匹配距离，实现身份识别。实验结果表明，该方法在112个个体ECG 数据中的身份识别准确率为97.3%，个体识别时间为4.4 s，解决了单检测点和大样本条件下的

为了有效改善传感器温度补偿特性，提出了基于傅立叶基函数神经网络算法的温度特性曲线拟合模型。分析厂算法的收敛性，为学习率的选择提供了理论依据。给出了对掺杂苯的Sno2纳米传感器的灵敏度一温度特性曲线进行拟合的实例。结果表明基于傅立叶基函数神经网络算法的传感器温度特性拟合曲线具有高的光滑性和高的拟合精度（10-6），因而是一种有效的温度特性曲线拟合方法。

提出了一种高速公路车道线检测与跟踪算法：初始检测时，首先估计消失点位置；再将图像特征点向消失点投影，通过检测投影直方图波峰来识别车道线；然后利用车道宽度和车道线强度特征滤除与车道线平行的伪车道线；跟踪时，采用卡尔曼滤波缩小搜索区域。试验结果表明：该算法抗干扰能力强，跟踪算法运行速度大约为50 Hz。